最全 低速无人驾驶数据集（不定期更新）

低速无人驾驶是未来智能交通与智慧城市建设的重要组成部分，是下一代智能地面运载工具演变的基础，对我国智能交通发展具有重要意义。近年来，物流配送、环卫清扫、无人港口、安防巡逻、移动零售、救援侦查、矿区开采车、高尔夫球车、园区巴士等运营场景对低速无人车的需求日益旺盛，产业得到迅猛的发展。

一、低速无人驾驶现状

4月2日，由低速无人驾驶产业联盟和新战略低速无人驾驶产业研究所联合编制《2023-2024年度中国低速无人驾驶产业发展研究报告》。

根据低速无人驾驶产业联盟数据、新战略低速无人驾驶产业研究所不完全统计，2023年中国低速无人驾驶行业销售规模约85亿元，同比增长63%；各类低速无人车销售数量约24500台，同比增长22%。

报告中显示：

2023年无人驾驶清洁环卫的占比最高，末端无人配送的同比增幅最大。

预测2024年无人驾驶清洁环卫的销售规模占比将继续保持领先，矿区无人驾驶的销售数量同比增幅或为最大。

报告中预测到2025年，中国低速无人驾驶产业总体销售规模将达160亿元。

二、技术方面

在技术方面，半封闭环境或路线相对固定，低速场景风险可控，通过搭载激光雷达、毫米波雷达、视觉slam以及高精度PTK定位模块。

低速无人车依赖感知、决策和执行三个环节的配合。感知层主要包括智能硬件（传感器、车载视觉系统）、导航（GPS、北斗以及惯导系统）、路侧设备等。传输层主要包含通信设备和通信服务，决策层通过利用感知层、传输层反映回来的信息，建立相应的模型，制定出适合的控制策略。

数据集：RoboSense|自动驾驶数据集|障碍物检测数据集｜低速

创建时间：2024-08-28

链接地址：RoboSense|自动驾驶数据集|障碍物检测数据集

数据集介绍：RoboSense数据集由上海交通大学和SenseAuto研究共同创建，专注于低速自动驾驶车辆的近场场景理解。该数据集包含超过133,000帧同步数据，覆盖7,600多个时间序列，标注了140万个3D边界框和轨迹ID。数据集通过多种传感器（摄像头、激光雷达和鱼眼镜头）收集，确保了全方位的视角覆盖。创建过程中，数据集在多种场景下进行了采集和标注，特别关注了近距离障碍物的检测和跟踪。RoboSense数据集的应用领域主要集中在自动驾驶技术的研究，特别是在低速环境下的障碍物感知和预测任务。

数据集：Speed-Braker and Pothole|道路安全数据集|障碍物检测数据集

• 创建时间：2024-04-12

• 链接地址：Speed-Braker and Pothole|道路安全数据集|障碍物检测数据集

• 数据集介绍：带有注释的速度缓冲器和坑洼图

数据集：Unstructured Environment Obstacle Avoidance Driving Human Manipulation Dataset|自动驾驶数据集|障碍物检测数据集

• 创建时间：2024-03-04

• 链接地址：自动驾驶数据集|障碍物检测数据集

• 数据集介绍：操作员控制车辆在障碍物密集分布的环境中行驶，在驾驶过程中通过激光雷达和摄像头收集空间环境数据，然后根据纵向梯度的变化处理可行驶区域图，用于显示车辆当前驾驶空间中可行驶区域的分布，并根据可行驶区域的分布和驾驶行为的数据进行仿人驾驶研究。

数据集：Obstacle Detection for Automated Guided Vehicles|自动引导车辆数据集|障碍物检测数据集

• 创建时间：2014-01-31

• 链接地址：Obstacle Detection for Automated Guided Vehicles|自动引导车辆数据集|障碍物检测数据集

• 数据集介绍：如今，生产的汽车配备了机电执行器以及各种传感器，以实现驾驶辅助功能。这些组件可以在公司场地上实现低速的汽车自动化，尽管在公共交通中自动驾驶仍面临技术和法律挑战。为了在工业环境中自动化车辆，需要一个可靠的障碍物检测系统。自动化导引车辆中保护装置的最新解决方案是距离测量激光扫描仪。由于激光扫描仪不是当今汽车的基本设备，与挡风玻璃后方安装的单摄像头形成对比，我们开发了一种计算机视觉算法，能够可靠地在摄像头图像中检测障碍物。因此，我们利用我们众所周知的操作设计领域，通过教导异常检测车辆路径应该是什么样子。结果是一种异常检测算法，它包括一个预训练的特征提取器和一个浅层分类器，模拟发生概率。我们记录了一个真实工业环境的数据集，并展示了一个在仅用一次运行的图像训练算法后具有鲁棒性的分类器。

数据集：无人搬运智能装备避障能力测试数据集|无人搬运数据集|避障测试数据集

• 创建时间：2023-09-15

• 链接地址：无人搬运智能装备避障能力测试数据集|无人搬运数据集|避障测试数据集

• 数据集介绍：对三维立体避障测试过程和测试结果进行统计记录，便于后期对避障功能效果的分析和统计。搭建了多个障碍物场景，分别为激光面高度障碍物、悬空障碍物等几种情况。现场测量障碍物高度等具体尺寸，拍照存档。测试激光面高度障碍物时，分别测试了激光面高度不同类型，不同距离的各种场景下障碍物检测效果，测试过程和测试结果进行统计记录，便于后期对避障功能效果的分析和统计。现场测量拍照存档，机器人实际测试结果和数据人工统计，评审。根据搭建的现场环境，进行实际测量后，登记环境数据，整理统计测试结果数据，并对结果数据进行评审验证

数据集：地质灾害无人化应急救援运输投送装备自主性能及远程控制性能验证数据集|无人化救援数据集|装备性能评估数据集

• 创建时间：2023-09-15

• 链接地址：|装备性能评估数据集

• 数据集介绍：地质灾害无人化应急救援运输投送装备自主性能及远程控制验证数据集主要针对地质灾害灾后复杂环境下障碍物感知及装备自主行驶需求建设，基于危险越野路段以及正负障碍物识别与可行驶区域识别的目标，由第三方专业检测机构国家建筑城建机械质量监督检验中心专业检测人员与本课题组人员于2022年12月，在湖南省汨罗市粟山黄试验场采集获取，运用车载自主导航软件AB_UI、V-BOX、激光测距仪等设备仪器，经过现场读取与收集得到。主要记录了装备遥控距离、最小转弯半径、自主行驶有效感知性能、避障越障性能等性能指标数据，数据量32G。

数据集：NTU4DRadLM|SLAM数据集|无人驾驶数据集｜低速

• 更新时间：2023-09-02

• 链接地址：NTU4DRadLM|SLAM数据集|无人驾驶数据集

• 数据集介绍：NTU4DRadLM是由南洋理工大学电气与电子工程学院创建的多模态数据集，专注于定位与地图构建。该数据集包含6种传感器：4D雷达、热像仪、IMU、3D激光雷达、视觉相机和RTK GPS，适用于低速机器人。数据集覆盖了结构化、非结构化和半结构化环境，总长度约17.6公里，大小为50GB。创建过程中，数据集通过两种平台（手推车和汽车）在不同环境中收集，确保了数据的多样性和实用性。该数据集旨在解决在恶劣条件下（如雨、雪、烟雾和雾等）的SLAM问题，推动基于4D雷达、热像仪和IMU的SLAM研究。

数据集：Cycling Path from iPhone 13 with Depth Map|障碍物检测数据集|深度图像分析数据集

• 创建时间：2023-02-17

• 链接地址：Cycling Path from iPhone 13 with Depth Map|障碍物检测数据集|深度图像分析数据集

• 数据集介绍：用于开始使用深度图进行障碍物检测的图像数据集。

数据集：nuScenes|自动驾驶数据集|3D对象检测数据集

• 创建时间：2022-03-17

• 链接地址：nuScenes|自动驾驶数据集|3D对象检测数据集

• 数据集介绍：nuScenes数据集是一个大规模的自动驾驶数据集。该数据集具有用于在波士顿和新加坡收集的1000场景的3D边界框。每个场景长20秒，注释为2Hz。这导致总共28130个用于训练的样本，6019个用于验证的样本和6008个用于测试的样本。该数据集具有完整的自动驾驶车辆数据套件: 32光束激光雷达，6个摄像头和具有完整360 ° 覆盖的雷达。3D对象检测挑战评估10个类别的性能: 汽车，卡车，公共汽车，拖车，建筑车辆，行人，摩托车，自行车，交通锥和障碍物。

数据集：MODS|无人水面车辆数据集|障碍物检测数据集

• 更新时间：2022-02-09

• 链接地址：MODS|无人水面车辆数据集|障碍物检测数据集

• 数据集介绍：MODS数据集是由卢布尔雅那大学的研究团队创建，专注于无人水面车辆（USV）的障碍物检测和分割。该数据集包含约80,828张立体图像，同步记录了船载惯性测量单元（IMU）的数据，并标注了超过60,000个对象。数据集的创建过程涉及多个航次，覆盖不同的天气条件和地理位置，以确保数据的多样性和真实性。MODS数据集的应用领域主要集中在提高无人水面车辆的自主导航能力，特别是在障碍物检测和避免碰撞方面。

数据集：Obstacle-dataset OD|障碍物检测数据集|计算机视觉数据集

创建时间：2019-12-15

链接地址：Obstacle-dataset OD|障碍物检测数据集|计算机视觉数据集

数据集介绍：该数据集用于十五种障碍物检测，包含VOC格式和YOLO训练的.txt文件，数据集中的图像来自VOC数据集、COCO数据集、TT100K数据集以及作者团队实地收集的图片。